Large scale neural associative memory design

• Autorzy: Cheolhwam O. , Żak S.

Warianty tytułu

PL

Projektowanie neuronowych sieci pamięci skojarzeniowej dużej skali

• Języki publikacji: EN

Abstrakty

EN

The paper describes a method of constructing large scale neural associative memories using the generalized neural model of Anderson, Silverstein, Ritz and Jones. The proposed method uses a network composed of many neural sub-networks. The method is used as an image restoration system o( black-and-white as well as color images.

PL

Tematem artykułu jest projektowanie neuronowych sieci pamięci skojarzeniowej dużej skali przy użyciu uogólnionego modelu neuronowego Andersona, Silversteina, Ritza i Jonesa. Zaproponowana metoda jest oparta na konstrukcji sieci składającej się z wielu neuronowych podukładów. Metoda jest zastosowana do przetwarzania zarówno czarno-białych, jak i kolorowych obrazów.

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2002
• Tom: R. 78, nr 10
• Strony: 220--225
• Opis fizyczny: Bibliogr. 15 poz., 6 rys., 2 tab.

Twórcy

autor

Cheolhwam O.

• Purdue University, School of Electrical and Computer Engineering

autor

Żak S.

• Purdue University, School of Electrical and Computer Engineering

Bibliografia

• [1] Аkаr М., Sezer M.E.: Associative memory design using overlapping decompositions, Automatica, 37, 581-587.
• [2] Anderson J.A.: An Introduction to Neural Networks, The MIT Press, Cambridge, Massachusetts, 1995.
• [3] Anderson J.A., Silverstein J.W., Ritz S.A., Jones R.S.: Distinctive features, categorical perception, probability learning: Sonę applications of a neural model, in Neurocomputing: Foundation of Research, Anderson J.A., Rosenfeld E. Eds., chapter 22, pp.283-325. The MIT Press, Cambridge, MA, 1989. reprint from Psychological Review 1977, 84. 413- 451.
• [4] Chan H.Y., Żak S.H.: Real-time synthesis of sparsely interconnected neural associative memories, Neural Networks, 11, 1998, 749-759.
• [5] Gоlden R.M.: Stability and optimization analysis of the generalized Brain-State-in-a-Box neural network model, Journal of Mathematical Psychology, 37, 1993, 282-298.
• [6] Gray R.M., Neuhoff D. L.: Ouantization, IEEE Transactions on Information Theory, 44,1998,2325-2383.
• [7] Hassoun M.H.: Fundamentat sof Artlficial Neural Networks, The MIT Press, Cambridge, Massachusetts, 1995.
• [8] Hui S., Żak S.H.: Dynamical analysis of the Brain-State-in-a-Box (BSB) neural models, IEEE Transactions on Neural Networks, 3, 1992, 86-94.
• [9] Ikeda М., Śiljak D. D.: Overlapping decompositions, expansionsand ccitraclions of dynamie systems, Large Scalę Systems, 1, 1980, 29-38.
• [10] Kaczorek Т.: Wektory i Macierze w Automatyce i Elektrotechnice, Wydawnictwa Naukowo-Techniczne, Warszawa, 1998.
• [11] Lilio W.E., Miller D.C., Hui S., Żak S.H.: Synthesisof Brain-State-in-a-Box (ESB) based associative memories, IEEE Transactions on Neural Networks 5, 1994, 730-737.
• [12] Na dl er М., Smith E.P.: Pattern Recognition Engineering, John Wiley & Sons Inc., New York, 1993.
• [13] Oh C., Żak S.H.: Associative memory design using overlapping docomposition and generalized Brain-State-in-a-Box neural networks, IEEE Transactions on Neural Networks (submitted for publication).
• [14] Sayood K.: Introduction to Data Compression, Morgan Kaufmann Publishers, Inc., San Francisco, 1996.
• [15] Schultz A.: Collectiv erecall via the Brain-State-in-a-Box network, IEEE Transactions on Neural Networks, 4, 1993, 580-587.